Schema-Markup für KI

TL;DR — Schema Markup ist code Sie add zu ein Seite das labels was Ihr Inhalt bedeutet so machines don’t haben zu guess. You’ll hear das adding it boosts Ihr odds von getting cited in AI Overviews oder ChatGPT. Die beste evidence says it doesn’t tun das directly. Was it tut tun ist helfen AI Systeme understand who Sie sind und was Ihr Seiten sind — useful, just nicht die magic switch it’s sold als.

Was Schema Markup ist

Wenn Sie lesen ein Seite, Sie kann tell ein phone number aus ein price aus eine author’s name just by looking. Ein machine can’t — it sees text. Schema Markup (auch genannt strukturierte Daten) ist extra code Sie add zu ein Seite das spells it out: “this is the author,” “this is the published date,” “this is the price.” It verwendet ein shared vocabulary aus Schema.org das viele Suche Suchmaschinen und andere documented consumers understand. Das tut nicht mean jede AI platform liest jede type oder verwendet die Markup in die gleich Weg.

Meist von die Zeit it’s geschrieben in ein format genannt JSON-LD — ein little block von code das sits in die page’s HTML und describes die Inhalt ohne changing wie die Seite looks zu ein visitor. It weiterhin hat zu describe Inhalt readers kann tatsächlich see auf die Seite. Evidence for this claim Google requires structured data to represent visible page content and does not guarantee feature display. Scope: Google structured-data policies, not claims about every AI system. Confidence: high · Verified: 2026-07-28 Google Search Central: Structured data guidelines

Die AI hype vs. what’s real

Here’s die pitch you’ve probably heard: add Schema Markup und you’ll erhalten cited mehr in KI-Suche. It sounds plausible — strukturierte Daten ist “AI-readable,” so surely die AI rewards it, richtig?

Die Daten says kein. Wenn researchers at Ahrefs tracked 1 885 Seiten das added Schema und measured their AI citations bevor und nach, die citations basically didn’t move auf any tested platform. Google now states even mehr directly das strukturierte Daten ist nicht erforderlich für generative KI-Suche und das dort ist kein besonders Schema.org Markup zu add. Evidence for this claim Google says structured data is not required for generative AI search and there is no special schema.org markup to add; existing structured data remains useful for ordinary rich-result eligibility. Scope: Google Search generative AI features; not a claim about every AI platform or documented feed/integration. Confidence: high · Verified: 2026-07-28 Google Search Central: Optimizing your website for generative AI features So if ein tool oder agency ist promising das bolting auf Schema wird erhalten Sie in AI answers, be skeptical.

Was Schema tatsächlich tut

It’s weiterhin worth doing — just für die richtig reasons:

• It kann clarify declared entity Fakten für Systeme das consume it. Organization und Person Markup mit ein property genannt sameAs, welche Links Ihr brand oder author identity zu authoritative profiles. Dies kann reduce ambiguity in Systeme das verwenden die Markup, but it ist nicht proof von AI citation selection.
• It powers rich Ergebnisse. Star ratings, Produkt cards, breadcrumbs, sitelinks — jene visual extras in regular Suche weiterhin come aus Schema.
• It hilft Suche Suchmaschinen understand Ihr Inhalt so it kann be categorized und surfaced correctly.

So: halten Verwendung Schema. Just don’t expect it zu be die lever das erhält Sie in die AI answer. Want die deep version — die studies, die Google vs. Bing split, und die exact types das matter? Switch zu die Fortgeschritten tab.

TL;DR — Google says strukturierte Daten ist nicht erforderlich für generative KI-Suche und there’s kein besonders Schema.org Markup zu add. Evidence for this claim Google says structured data is not required for generative AI search and there is no special schema.org markup to add; existing structured data remains useful for ordinary rich-result eligibility. Scope: Google Search generative AI features; not a claim about every AI platform or documented feed/integration. Confidence: high · Verified: 2026-07-28 Google Search Central: Optimizing your website for generative AI features Bing’s Fabrice Canel ist die one rep zu confirm Schema hilft their LLMs. Die Ahrefs 1 885-Seite study gefunden adding JSON-LD moved AI citations ein statistically insignificant amount auf jede platform (−4,6% AIO, +2,4% AI Mode, +2,2% ChatGPT). Die meist plausible mechanism ist entity disambiguation via sameAs feeding Google’s Knowledge Graph — nicht ein proven citation lever, since die Knowledge-Graph-to-AI-Overview chain hasn’t been isolated in any study. Watch out für two traps: feature eligibility kann change während ein Schema.org type remains valid, und client-side Markup kann nicht be processed consistently by jede crawler.

Regardless von delivery method, die Markup muss match Inhalt visible auf die Seite. Evidence for this claim Google requires structured data to represent visible page content and does not guarantee feature display. Scope: Google structured-data policies, not claims about every AI system. Confidence: high · Verified: 2026-07-28 Google Search Central: Structured data guidelines

Start aus die offiziell position, weil it’s clearer als die hype

Google hat been unusually blunt hier. Its July 2026 guidance says strukturierte Daten ist nicht erforderlich für generative KI-Suche und dort ist kein besonders Schema.org Markup zu add. Existing strukturierte Daten remains useful für ordinary rich-result eligibility, und it weiterhin hat zu match was readers kann verify auf die Seite. Das ist longstanding structured-data policy, nicht eine AI-specific tactic.

Das doesn’t mean Schema ist useless zu Google. It bedeutet Google separates two jobs strukturierte Daten tut: it drives rich Ergebnisse (die appearance enhancement) und it hilft Google understand Inhalt und entities — “information über die Menschen, books, oder companies das sind included in die Markup.” Die second job feeds die Knowledge Graph, und die Knowledge Graph feeds AI Overviews. So there’s ein plausible indirect path. Dort ist kein documented direkt one.

Bing ist die one platform das says Schema hilft its LLMs

Dies ist die cleanest affirmation in die whole space. At SMX Munich in March 2025, Fabrice Canel, Principal Produkt Manager at Microsoft Bing, confirmed das Schema Markup hilft Microsoft’s LLMs understand Inhalt. He’s die nur AI-search rep zu say it auf die record über eine LLM specifically — nicht just über Crawling. He paired it mit ein push auf freshness: “Gen AIs value fresh Inhalt in particular, partly als ein reference prüfen von their LLM training Daten. Verwenden die API at indexnow.org zu push das information als it’s published oder updated.”

So wenn Menschen ask “do LLMs even read schema?”, die honest answer ist platform-split: Bing/Copilot, yes, by their own statement; Google, nur indirectly via die Knowledge Graph; ChatGPT und Perplexity, unconfirmed either Weg.

Die evidence auf citations: die Ahrefs 1 885-Seite study

Dies ist die meist rigorous Test I’m aware von. Die Ahrefs team (Louise Linehan und Xibeijia Guan, reviewed by Ryan Law, published Kann 2026) identified 1 885 Seiten das added JSON-LD Schema zwischen August 2025 und March 2026, matched them gegen ~4 000 control Seiten mit similar prior citation levels, und measured citations 30 days bevor und nach — über four statistical Tests (t-test, difference-in-differences, event study, sensitivity analysis).

Die headline aus die study: “Adding Schema produced kein major uplift in citations auf any platform.” Earlier, ein Suche/Atlas analysis in December 2024 gefunden die gleich shape von Ergebnis — kein consistent correlation zwischen Schema coverage und citation rates.

Die one honest caveat. Die study nur measured Seiten bereits being cited — jede treated Seite had 100+ AI Overview citations bevor Schema was added. So it answers “does adding schema lift citations on pages already in the consideration set?” (kein) but it can’t answer “tut Schema helfen ein Seite erhalten in das set in die erste place?” — that’s weiterhin open. Die correlation Menschen cite — AI-cited Seiten sind ~3× mehr likely zu haben JSON-LD — almost certainly reflects das technically strong Websites verwenden Schema und publish good Inhalt, nicht das Schema ist die cause.

Die meist plausible mechanism: entity disambiguation

If Schema doesn’t move citations, warum tun I weiterhin tell Menschen zu invest in it für AI Suche? Weil von die one job it’s tatsächlich documented zu tun: helfen resolve entities — connecting Organization und Person Markup zu authoritative external IDs so ein knowledge graph kann tell Ihr company oder author apart aus ein namesake.

sameAs ist die property das tut dies. It’s die meist direkt Weg zu point at authoritative external identifiers:

• Organization sameAs (priority order): Wikidata Q-number → Wikipedia → LinkedIn company Seite → Crunchbase → GitHub (für tech companies).
• Person sameAs: LinkedIn → Wikidata (if eine entry exists) → ORCID (academic authors) → X → GitHub.

Dies ist die part von Schema I’m meist confident changes something — it feeds Google’s Knowledge Graph, welche Google documents als eine input zu AI Overviews. But I want zu be precise über what’s confirmed und was isn’t: schema’s role in entity resolution für die Knowledge Graph ist documented; die Knowledge-Graph-to-AI- Overview-citation chain ist ein plausible hypothesis, nicht something any study hat isolated und confirmed. Treat it als die best-supported bet, nicht ein guarantee.

One frequently cited Beispiel: SchemaApp, ein Schema vendor, reported das Wells Fargo corrected AI hallucinations über its business hours by adding Schema zu location Seiten. That’s ein vendor-published case study I haven’t been able zu verify independently — treat it als eine anecdote consistent mit die entity-disambiguation mechanism, nicht confirmed proof von it.

Welche types sind worth implementing

There’s kein confirmed, universal Ranking von Schema types by AI-visibility value — kein study isolates das. Was follows ist was jede type documentedly tut; treat “helps AI” als die plausible entity/rich-result path described above, nicht ein scored priority order:

Ein note auf FAQPage: Google deprecated die FAQ rich Ergebnis auf Kann 7, 2026. Die visual enhancement in die SERP ist gone, but die FAQPage Schema type itself ist weiterhin valid — “the markup can stay on your pages without causing problems” — und kann weiterhin helfen AI Systeme identify question-and-answer passages. Don’t rush zu strip it out; removing it buys Sie nothing.

Die trap das quietly kills Schema für AI: JavaScript

Here’s die implementation detail das catches Menschen. AI-crawler rendering ist provider- und version-specific. If Ihr Schema ist injected client-side, die classic Beispiel being Google Tag Manager, dann Googlebot (welche renders) kann eventually see it, but any AI crawler das verwendet nur die raw HTML wird miss it. Für broad AI-search coverage, server-render Schema in die HTML response. If entity disambiguation ist die reason you’re doing dies, JS-injected Schema defeats die purpose.

Verwenden JSON-LD (Google, Bing, und Schema.org all prefer it over Microdata/RDFa), halten it server-side, und connect Ihr types mit @graph + @id so Ihr Organization, Person, und Article reference jede andere instead von duplicating Daten — das connected-graph pattern ist die one meist associated mit Knowledge Graph recognition.

Die bottom line

Schema ist infrastructure, nicht ein citation cheat code. Implement Organization und Person mit real sameAs Links, put Article und BreadcrumbList auf Ihr templates, render it all server-side, und machen it match Ihr visible Inhalt. Dann stop expecting it zu be die thing das erhält Sie in AI answers — das funktionieren happens in Ihr Inhalt, Ihr brand mentions, und Ihr authority, welche I cover über die rest von die KI-Suche optimization cluster.

AI Zusammenfassung

Ein condensed take auf die Fortgeschritten version:

• Schema Markup ≠ AI citation lever. Die Ahrefs Kann 2026 study (1 885 Seiten, four statistical Tests) gefunden adding JSON-LD moved citations ein statistically insignificant amount everywhere: −4,6% Google AIO, +2,4% AI Mode, +2,2% ChatGPT.
• Google’s offiziell line: strukturierte Daten ist nicht erforderlich für generative AI Suche, und dort ist kein besonders Schema.org Markup zu add. Existing Markup weiterhin matters für unterstützt rich Ergebnisse und muss match visible Inhalt.
• Bing ist die exception. Fabrice Canel (Microsoft) confirmed Schema hilft Bing’s LLMs — die nur AI-platform rep zu say so auf die record.
• Die meist plausible mechanism ist entity disambiguation. Organization und Person mit sameAs (Wikidata, Wikipedia, LinkedIn) feed Google’s Knowledge Graph — documented. Whether das graph inclusion drives AI Overview citations ist ein reasonable hypothesis, nicht something any study hat isolated.
• Correlation ≠ causation. AI-cited Seiten sind ~3× mehr likely zu haben Schema — but das reflects technically strong Websites Verwendung beide Schema und good Inhalt.
• Two traps: FAQ rich Ergebnisse were deprecated Kann 7, 2026 (die FAQPage type weiterhin funktioniert); und AI-crawler rendering varies by provider, so client-side / Tag Manager Schema kann be missed — server-render it zu maximize coverage.
• Was zu tatsächlich tun: Organization + Person + sameAs, Article, BreadcrumbList, JSON-LD, server-side, matching visible text.

Offizielle Dokumentation

Primary-source Dokumentation aus die Suche Suchmaschinen und Schema.org.

Google

• Optimizing Ihr Website für Generative AI Features — Google’s July 2026 statement das strukturierte Daten ist nicht erforderlich für generative KI-Suche und dort ist kein besonders Schema.org Markup zu add.
• AI Features und Ihr Website — die Quelle von die “no special schema.org structured data that you need to add” statement.
• Intro zu Wie strukturierte Daten Markup Funktioniert — was strukturierte Daten tut für understanding und rich Ergebnisse.
• General strukturierte Daten Guidelines — die “markup must match visible content” policy.
• FAQPage strukturierte Daten — die type’s Dokumentation, post-deprecation.
• Speakable (BETA) — marking audio-suitable sections; weiterhin beta, US English nur.

Bing / Microsoft

• Marking Up Ihr Website mit strukturierte Daten — Bing Webmaster Helfen — Bing’s strukturierte Daten guidance; JSON-LD recommended, muss match Seite context.

Schema.org

• Schema.org — die shared vocabulary itself.
• Organization · Person · sameAs — die entity-disambiguation core.

Quotes aus die Quelle

On-the-record statements aus Google und Microsoft auf Schema und AI.

Google — kein besonders Schema für AI features

• “Sie don’t benötigen zu create neu machine readable files, AI text files, oder Markup zu appear in diese features. There’s auch kein besonders Schema.org strukturierte Daten das Sie benötigen zu add.” — Google Suche Central, AI features Dokumentation. Quelle

Google — was strukturierte Daten tut

• “Google verwendet strukturierte Daten das it finds auf die web zu understand die Inhalt von die Seite, als gut als zu gather information über die web und die world in general, wie etwa information über die Menschen, books, oder companies das sind included in die Markup.” — Google Suche Central. Quelle

Google — Einstellung von FAQs

• “FAQPage als ein Schema.org type ist weiterhin valid, und die Markup kann stay auf Ihr Seiten ohne causing Probleme.” — als reported by Suche Suchmaschine Journal auf die Kann 2026 FAQ rich-result deprecation. Coverage

Fabrice Canel, Principal Produkt Manager, Microsoft Bing (SMX Munich, March 2025)

• Confirmed auf stage das Schema Markup hilft Microsoft’s LLMs understand Inhalt — die nur AI-platform rep zu state dies über eine LLM specifically. Coverage
• “Gen AIs value fresh Inhalt in particular, partly als ein reference prüfen von their LLM training Daten. Verwenden die API at indexnow.org zu push das information als it’s published oder updated.” Coverage

Schema-for-AI implementation Checkliste

Ein pass zu stellen Sie sicher Ihr strukturierte Daten tatsächlich tut its entity-disambiguation job — und doesn’t erhalten silently dropped by AI crawlers:

• Organization Schema sitewide, mit ein populated sameAs array (Wikidata, Wikipedia, LinkedIn at minimum), plus name, url, logo.
• Person Schema auf author/bio Seiten, mit sameAs (LinkedIn, Wikidata if one exists) und knowsAbout für topical authority.
• Article auf Inhalt Seiten — author (linked by @id zu die Person), datePublished, dateModified, headline, publisher (linked zu die Organization).
• BreadcrumbList auf interior Seiten zu signal hierarchy / cluster.
• Schema ist server-rendered, nicht injected client-side via Tag Manager — confirm it’s in die raw HTML (View Quelle / curl) so coverage tut nicht depend auf any AI crawler’s provider-specific JavaScript unterstützen.
• Markup matches visible Inhalt — kein fields describing things nicht auf die Seite (Google policy; mismatches Risiko ein manual action).
• Format ist JSON-LD, ideally connected mit @graph + @id.
• FAQPage left in place if Sie haben it — die rich Ergebnis ist gone (Kann 2026) but die type ist weiterhin valid; removing it gains nothing.
• Validated in die Rich Ergebnisse Test und Schema.org validator.
• Expectations set: Schema ist entity infrastructure, nicht ein direkt AI citation lever — don’t bolt it onto already-cited Seiten expecting ein lift.

Schema-Typen — Spickzettel

Type → was it declares → what’s tatsächlich documented

Kein study confirms ein universal priority order für AI visibility über diese types — lesen die richtig column als “documented function,” nicht ein Ranking.

Schnell Fakten

• Ahrefs study (1 885 Seiten, Kann 2026): −4,6% AIO / +2,4% AI Mode / +2,2% ChatGPT — all statistically insignificant.
• Google: “no special schema.org structured data that you need to add” für AI Overviews / AI Mode.
• Bing: Fabrice Canel confirmed Schema hilft Bing’s LLMs — die one platform das hat.
• FAQ rich Ergebnis: deprecated Kann 7, 2026; FAQPage type weiterhin valid.
• AI-crawler rendering varies by provider → server-render Schema so Tag Manager execution ist nicht ein coverage dependency.
• Format: JSON-LD, ideally @graph + @id. Muss match visible Inhalt.

Schema-for-AI mistakes zu vermeiden

Promising ein citation boost

Schema hilft machines interpret entities und Seite Bedeutung; it ist nicht ein switch das forces eine AI answer zu cite die Seite.

Marking up Fakten Nutzer kann nicht verify

strukturierte Daten sollte represent visible, accurate Seite Inhalt. Tun nicht add awards, Bewertungen, authors, prices, oder relationships solely weil die vocabulary permits them.

Linking die falsch entity mit sameAs

Ein falsch identifier ist worse als ein missing one. Confirm das jede URL represents die gleich person, organization, Produkt, oder place.

Injecting all Markup nach client rendering

Suche Suchmaschinen kann render it, but viele AI crawlers wird nicht. Put wichtig JSON-LD in die server-delivered HTML wenn possible.

Häufig schema-for-AI Probleme

Die Markup validates but describes ein unterschiedlich entity

Symptom: Syntax passes während names, URLs, oder identifiers point zu ein namesake. Likely cause: Entity resolution was skipped. Fix: Compare die visible Seite, Canonical-URL, offiziell profiles, und sameAs values bevor correcting die graph.

strukturierte Daten ist missing aus raw HTML

Symptom: Browser Tools finden JSON-LD but curl tut nicht. Likely cause: Ein tag manager oder client component injects it nach load. Fix: render stable entity und Seite Markup auf die server, dann compare raw und rendered output erneut.

Rich-results Tools report ineligible Markup

Symptom: Schema ist valid vocabulary but nicht eligible für ein Google rich Ergebnis. Likely cause: Schema.org validity und Google feature requirements sind unterschiedlich Prüfungen. Fix: Verwenden die general validator für vocabulary und die Rich Ergebnisse Test für unterstützt Suche features; tun nicht equate feature eligibility mit AI citations.

Frameworks für Schema das unterstützt machine understanding

Entity erste, syntax second

1. Identify: Name die real person, organization, Produkt, place, oder creative funktionieren.
2. Corroborate: Confirm stable Fakten und authoritative identifiers.
3. Model: Choose die meist spezifisch appropriate type und relationships.
4. Expose: Match visible Seite Inhalt und serve wichtig Markup in HTML.
5. Validate: Prüfen beide Schema.org Struktur und any feature-specific requirements.
6. Monitor: Recheck wenn templates oder entity Fakten change.

Drei Ergebnisse getrennt betrachten

• Valid Markup: Die graph follows die vocabulary und syntax.
• Feature eligibility: Ein Suche Suchmaschine kann consider die Seite für ein unterstützt rich Ergebnis wenn all additional rules sind met.
• AI visibility: Ein model kann mention oder cite die Seite based auf ein much broader retrieval und trust System.

Tun nicht report one outcome als proof von another.

Snippets zur Schema-Extraktion

JSON-LD-Blöcke in Chrome DevTools auflisten

Run in die Console:

[...document.querySelectorAll('script[type="application/ld+json"]')].map((el, index) => ({ index, json: JSON.parse(el.textContent) }))

Prüfen whether JSON-LD exists bevor rendering

Run in ein terminal:

curl -sS https://example.com/page/ | grep -n 'application/ld+json'

If die rendered DOM contains Markup but dies response tut nicht, die implementation ist client-dependent.

Extract declared types aus ein crawlen

Verwenden dies regular expression gegen JSON-LD Quelle. Capture group 1 returns ein string oder array value following @type:

"@type"\s*:\s*("[^"]+"|\[[^\]]+\])

Parse JSON für production analysis; regex ist nur ein quick extraction aid.

Tools für Schema und AI understanding

• Schema Markup Validator: Prüfen JSON-LD Struktur, vocabulary, und graph issues ohne promising ein Suche feature.
• Schema Markup Generator: Create ein starting graph aus Fakten Sie haben bereits verified gegen die visible Seite.
• Rich-Result Eligibility Checker: Separate Google’s unterstützt rich-result requirements aus general Schema validity.
• Entity Coverage Analyzer: Review whether die Seite clearly establishes die entities und relationships die Markup describes.
• Raw-response und rendered-DOM comparison: Confirm wichtig JSON-LD ist verfügbar ohne depending auf client-side execution.

Validate ein Schema change

Test graph validity und Seite agreement

Test zu run: Validate die JSON-LD, dann compare jede wichtig property mit die visible Seite. Expected Ergebnis: Die graph parses und all stated Fakten sind accurate und user-verifiable. Failure interpretation: Syntax ist broken oder Markup overstates die Inhalt. Monitoring window: Immediate. Rollback trigger: Ein release asserts ein falsch entity, unsupported Fakt, oder invalid graph.

Serverseitige Auslieferung testen

Test zu run: Fetch die Seite ohne JavaScript und locate die intended JSON-LD. Expected Ergebnis: Stable entity und Seite Markup appears in die response. Failure interpretation: Non-rendering crawlers kann nicht receive die change. Monitoring window: Immediate nach deployment. Rollback trigger: Previously server-visible Markup becomes client-only.

Entitätskennungen testen

Test zu run: Open jede sameAs, url, und external identifier und verify die entity match. Expected Ergebnis: Jede edge resolves zu die gleich intended entity. Failure interpretation: Die graph connects ein namesake oder obsolete profile. Monitoring window: Immediate und nach rebrands. Rollback trigger: Any identity edge points zu eine unrelated entity.

Test yourself: Schema-Markup für KI

Ressourcen, die Ihre Zeit wert sind

Related Ahrefs writing

• We Tracked 1 885 Seiten Adding Schema. AI Citations Barely Moved. — Louise Linehan & Xibeijia Guan, Kann 2026. Die controlled study at die center von dies article.
• Schema Markup: Was It Ist & Wie zu Implement It — die implementation walkthrough (Despina Gavoyannis, Chris Haines).
• Was ist strukturierte Daten? — die glossary primer.

Offiziell references

• Schema.org — die vocabulary.
• Google — AI Features und Ihr Website — Google’s stated position auf Schema und AI.

Aus others

• Wie Schema Markup fits in KI-Suche — ohne die hype — Suche Suchmaschine Land — auch references die December 2024 Suche/Atlas study finding kein consistent citation correlation.
• Was 2025 Revealed Über KI-Suche und die Future von Schema Markup — SchemaApp — die Wells Fargo entity-correction case.
• Microsoft Bing/Copilot verwenden Schema für its LLMs — Suche Suchmaschine Land — coverage von Fabrice Canel’s SMX Munich confirmation.
• Schema Hilft Microsoft’s LLMs (Copilot) Understand Ihr Inhalt — Suche Suchmaschine Roundtable — Barry Schwartz’s write-up von die Bing/Copilot Schema confirmation.
• Google Confirms: strukturierte Daten Weiterhin Essential in KI-Suche Era — Suche Suchmaschine Journal — coverage von Google Suche Central Live Madrid 2026 guidance.
• Schema Markup Hat Kein Meaningful Impact auf AI Citations — Stan Ventures — independent Zusammenfassung von die Ahrefs findings.
• strukturierte Daten in die KI-Suche Era — BrightEdge — enterprise perspective auf Schema in die KI-Suche transition.

Zitierfähige Statistiken

• Adding Schema barely moved AI citations. Die Ahrefs study von 1 885 Seiten das added JSON-LD (vs. ~4 000 controls, four statistical Tests) measured −4,6% auf Google AI Overviews, +2,4% auf AI Mode, und +2,2% auf ChatGPT — all statistically insignificant. “Adding Schema produced kein major uplift in citations auf any platform.” Quelle
• Die “already cited” caveat. Jede treated Seite in das study bereits had 100+ AI Overview citations bevor adding Schema — so die study Tests Seiten bereits in die consideration set, nicht whether Schema hilft ein Seite enter it. Quelle
• Correlation, nicht causation. Über Ahrefs’ dataset, AI-cited Seiten sind nearly 3× mehr likely zu carry JSON-LD als non-cited Seiten — ein reflection von technically strong Websites, nicht ein causal Schema effect. Quelle
• Eine earlier signal pointed die gleich Weg. Ein Suche/Atlas analysis (December 2024) gefunden kein consistent correlation zwischen Schema coverage und AI citation rates. Coverage

Änderungsprotokoll